不确定风场的校正方法及其对烟雾模型性能影响的创新研究

《Agricultural and Forest Meteorology》：An investigation of corrective approaches for uncertain winds and analysis of impacts on smoke model performance

本研究针对野火烟雾模拟中风场不确定性严重影响PM2.5浓度预测准确性的关键问题，开发了风场偏差校正和烟雾模型评估新方法。研究人员通过WRF-SFIRE耦合模型模拟了美国佐治亚州三次计划火烧事件，提出调整初始边界条件(AICBC)和增强同化(AN)两种风场校正方法，将风向和风速RMSE分别降低至63°和0.5?m/s。同时开发的等时间反向/正向轨迹(ETBFT)等烟雾评估方法成功捕获了标准模拟遗漏的PM2.5峰值。该研究为提升火灾烟雾传输预测精度提供了创新解决方案。

　　

随着全球气候变化加剧，野火发生的频率和强度呈现显著上升趋势，对公共健康和生态环境构成严重威胁。准确预测烟雾传输路径和PM_2.5浓度分布对于火灾管理决策和公众健康防护至关重要。然而，当前烟雾模拟面临的核心挑战在于气象场特别是风场的不确定性——模拟风场与实测数据之间存在系统性偏差，这种偏差会通过耦合效应影响火蔓延、排放强度和烟雾传输的全过程。

传统化学传输模型如CMAQ和CAMx虽然广泛应用，但它们使用预处理的气象场，无法捕捉火-大气相互作用的关键动力学过程。相比之下，WRF-SFIRE作为耦合火-大气模型，能够在线模拟火蔓延与烟雾传输的相互作用，但其性能高度依赖于输入风场的准确性。已有研究表明，即使是中等程度的风向偏差（约40-80度）和风速高估，也足以导致烟雾影响区域的显著偏离，这使得模型验证变得异常困难。

为解决这一难题，佐治亚理工学院的研究团队在《Agricultural and Forest Meteorology》上发表了创新性研究。该工作以美国佐治亚州Fort Stewart陆军基地2022年3月进行的三次计划火烧为案例，通过多平台观测数据（包括移动空气质量监测拖车、EBAM监测器和RAWS气象站）与高分辨率WRF-SFIRE模拟相结合，系统开发并评估了两类方法：风场偏差校正方法和烟雾模型评估方法。

关键技术方法包括：利用移动监测平台（TEOM和EBAM）和气象站（RAWS）收集PM_2.5和风场观测数据；采用WRF-SFIRE耦合模型进行200米高分辨率火蔓延和烟雾传输模拟；开发调整初始边界条件(AICBC)和增强同化(AN)等风场校正算法；创新性地提出等时间反向/正向轨迹(ETBFT)等烟雾评估方法，通过蒙特卡洛模拟量化不确定性。

4.1. 基准风场和烟雾模拟

研究首先评估了标准WRF模拟（有/无数据同化）在1公里分辨率下的性能。结果显示，即使采用同化技术，风向和风速的RMSE仍分别高达71度和1.5?m/s。这种偏差直接导致烟雾模拟性能不佳——标准模拟未能捕获8个检测到的PM_2.5峰值（≥35?μg/m3）中的5个，突显了风场校正的必要性。

4.2. 风场偏差校正方法的效果

AICBC方法通过基于观测数据的整体旋转和缩放调整初始边界条件，表现出最优的校正效果。与基准相比，该方法使风向和风速RMSE分别降低12%和64%，显著改善了烟雾浓度模拟的时间分布和峰值捕捉能力。特别是对3月2日和3日的烟雾事件，AICBC成功再现了观测到的PM_2.5峰值特征。然而，3月5日的模拟仍存在挑战，主要归因于燃料湿度的高估影响了火蔓延速率。

4.3. 烟雾模型评估方法的创新

针对残余风场偏差，研究团队开发了三种后处理评估方法：旋转平移法(RT)通过几何变换校正监测点位置；等时间轨迹法(ETBFT)和等距离轨迹法(EDBFT)则通过反向/正向轨迹计算量化不确定性。其中ETBFT方法表现最为突出，成功识别出7个标准模拟遗漏的PM_2.5峰值，并通过蒙特卡洛模拟生成的浓度区间（16-84百分位）有效涵盖了观测值的波动范围。

研究通过数据保留验证和敏感性分析证实了方法的稳健性。值得注意的是，风场偏差不仅影响烟雾传输路径，还会通过改变火蔓延方向和速率间接影响排放时间剖面和羽流高度，这揭示了风-火-烟耦合系统的复杂性。

该研究的核心贡献在于首次系统提出了针对火灾烟雾模拟中风场不确定性的完整解决方案框架。AICBC方法为改进风场输入提供了有效途径，而ETBFT等后处理方法则为模型验证提供了创新思路。这些方法不仅适用于WRF-SFIRE，也可扩展至CMAQ等传统化学传输模型。在实践层面，该研究为火灾管理者和政策制定者提供了更可靠的烟雾预测工具，有助于优化计划火烧方案和烟雾预警系统。未来工作可进一步整合燃料湿度再分析数据，并探索高层风场不确定性的影响，以全面提升烟雾模拟的预测能力。